En vivo 18.11 · Cohorte 318 nov, 19:00 MSK — taller práctico gratuito de agentes IA · Cohorte 3 en vivo inicia 23.11Taller 18 nov →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarHabr AI→ original

Un vídeo a partir de una sola foto de producto costó $4,25 en lugar de $2,42 por los fallos de Seedance 2.0

Un vendedor de un marketplace necesita un vídeo vertical de 15 segundos, pero solo tiene una foto de un frasco y ningún presupuesto para rodar. El autor montó un flujo de trabajo: Gemini dibuja un storyboard de seis fotogramas, un modelo de texto escribe el prompt y Seedance 2.0 genera el vídeo. La primera toma cuesta $2,42, pero presenta cuatro tipos de defectos; por ejemplo, un eslogan con la letra «Е» en lugar de «Э». Tres regrabaciones añadieron $1,83 y el total subió a $4,25, así que conviene presupuestar para un vídeo casi el doble.

Procesado por IA desde Habr AI; editado por Hamidun News
Un vídeo a partir de una sola foto de producto costó $4,25 en lugar de $2,42 por los fallos de Seedance 2.0
Fuente: Habr AI. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalHabr AI ↗
Editor jefe
Dato clave #1Se pagaron 27 segundos de vídeo y en el montaje final entraron 15: el coeficiente de gasto es 1,8
Dato clave #2Los pasos 1–4 llevan cerca de media hora, de los cuales 8 minutos son de espera del vídeo
Dato clave #3Seedance 2.5 rechazó fotos de personas, así que hay que describir al protagonista con palabras

Los vendedores de marketplaces suelen pedir lo mismo: tienen una única foto del producto, necesitan un vídeo publicitario vertical de 15 segundos y no hay dinero para una sesión con el producto real. El autor de un análisis en Habr montó un flujo de trabajo que genera ese vídeo mediante API y calculó cuánto cuesta en la práctica. La primera toma (la primera versión generada) cuesta $2,42, contando imágenes, prompt y vídeo de Seedance 2.

0. Pero el vídeo tenía defectos: por ejemplo, en el eslogan el modelo dibujó una «Е» en lugar de la letra «Э». Las correcciones (tres regrabaciones de planos estropeados) añadieron otros $1,83, y la cuenta total fue de unos $4,25.

Si produces vídeos así para clientes o los integras en un servicio para vendedores, calcula un coste casi el doble del precio de la primera toma.

Cómo funciona el flujo de trabajo

El esquema tiene cinco pasos. Primero, la foto del producto y el briefing van a un generador de imágenes. En la prueba, la foto de un sérum inventado llamado «СЕВЕР» se generó en gemini-3.

1-flash-image. El generador dibuja un storyboard: seis fotogramas en una cuadrícula de 2 por 3, con la duración indicada bajo cada uno. Después, el storyboard pasa a un modelo de texto, que escribe un prompt de vídeo por fotogramas con marcas de tiempo.

El tercer paso es la generación en bytedance/seedance-2.0 a través de OpenRouter: 15 segundos, formato 9:16, 720p, con sonido. Los pasos cuarto y quinto son la revisión fotograma a fotograma y la regrabación de los planos estropeados, uno por uno.

El texto se añade más tarde, en el montaje.

OpenRouter sirve los modelos de vídeo de forma asíncrona. Se crea una tarea con POST /api/v1/videos y después se consulta GET /api/v1/videos/{id} hasta que el estado sea completed. La respuesta final incluye un enlace al archivo y usage.cost en dólares, así que no hace falta calcular el precio de la toma a partir de los tokens.

Seedance tiene dos modos principales. En el modo input_references, las imágenes sirven de referencia: de la foto el modelo toma el envase y los colores, del storyboard el orden de los planos, y construye los fotogramas por su cuenta. En el modo frame_images con first_frame, la imagen se convierte en el primer fotograma exacto.

El primer modo sirve para todo el vídeo; el segundo, para regrabar un solo plano. Existe también una tercera variante: first_frame más last_frame, en la que el modelo completa el movimiento entre dos fotogramas. Para proteger el envase de que se redibuje, el autor nombra al principio del prompt el papel de cada imagen: la primera es la única referencia del frasco, y la etiqueta no debe cambiarse; la segunda sirve solo para el orden de los planos.

Para regrabar, extrae con ffmpeg el último fotograma del plano anterior, lo entrega como first_frame y pide continuar el movimiento. La unión queda sin saltos. En estas inserciones el sonido está desactivado: el precio no cambió (unos $0,15 por segundo, con sonido y sin él), pero una regrabación con sonido fue rechazada por la moderación, que consideró que la música generada se parecía a una ajena.

Cuatro tipos de defectos

Desde la primera toma el vídeo parece terminado, pero la revisión fotograma a fotograma revela cuatro problemas.

El primero es un error en el texto en pantalla. El eslogan venía del storyboard, el modelo de texto lo trasladó al prompt y el modelo de vídeo lo dibujó con una errata. Ahora el prompt de vídeo no debe contener texto nuevo, salvo el de la etiqueta. Al modelo de texto el autor le escribe sin rodeos: «No añadas eslóganes, créditos ni ningún texto nuevo».

El segundo es la etiqueta «pegada». Cuando la cámara gira alrededor del producto, el fondo cambia, pero la etiqueta mira todo el rato al objetivo. Con una sola foto, el modelo conoce solo una cara del frasco. Es más seguro un travelling lateral o un giro de no más de un cuarto de círculo. Varios ángulos como entrada probablemente ayudarían, pero el autor no lo comprobó.

El tercero es el salto en la unión. Dos planos contiguos se rodaron casi desde el mismo punto y el frasco se desplaza un par de centímetros. Los planos contiguos deben diferir de forma notable en tamaño de plano o en ángulo.

El cuarto es que el modelo ignora las transiciones. En lugar de un fundido encadenado suave entre el cuarto y el quinto plano, salió un corte seco, y la cámara giró en la dirección equivocada en la unión. La continuación hay que describirla con un movimiento visible: «toda la escena se desplaza hacia la derecha» es más fiable que «la cámara se mueve a la izquierda». Las transiciones es mejor hacerlas en el montaje.

Cuánto cuesta y qué limitaciones hay

El storyboard y la foto del producto (2 imágenes 1K) cuestan $0,14, el prompt de gemini-3.5-flash, unos $0,01, y el vídeo de 15 segundos con sonido, $2,27. En total son $2,42. Tres regrabaciones de 4 segundos sin sonido costaron $1,83, lo que da un total de unos $4,25. Se pagaron 27 segundos de vídeo y en el montaje final entraron 15, por lo que el coeficiente de gasto es 1,8. Los precios corresponden al 8 de octubre de 2026 y no incluyen comisiones.

Los pasos 1–4 llevan cerca de media hora, de los cuales ocho minutos se van en esperar el vídeo. Un plano de 4 segundos tarda unos tres minutos en generarse. El paso 5 se come el resto de la tarde, y no se logró automatizarlo por completo.

La API también tiene limitaciones. Seedance 2.5 a través de OpenRouter rechazó imágenes fotorrealistas de personas con el error InputImageSensitiveContentDetected.

PrivacyInformation. En la versión 2.0 el autor no lo comprobó, pero la serie y la protección de ByteDance son comunes.

Por eso un vídeo de «producto en manos del protagonista» con tu propio personaje no se puede hacer así: al protagonista hay que describirlo con palabras. Las solicitudes rechazadas no costaron dinero. La moderación también actúa después de la generación: en las pruebas bloqueó tanto vídeo como música.

Los cobros se hicieron solo por los intentos exitosos, pero el tiempo de espera se perdía. Además, el modelo mantiene el texto de la foto, pero tiende a retocarlo, así que cada rótulo debe cotejarse con el original letra por letra en cada plano.

Antes de entregar, el autor revisa seis puntos: los rótulos coinciden con el original; no hay texto nuevo en el encuadre; en el giro la etiqueta rota junto con el producto; los planos contiguos difieren en tamaño de plano o ángulo; el movimiento en la unión va en una sola dirección; en el audio no hay habla ni canto accidentales. El último punto se automatiza con facilidad: el clip completo se envía a gemini-flash-latest (vídeo inline, hasta ~18 MB) y el modelo enumera todo el habla con marcas de tiempo. Los primeros cinco puntos por ahora se comprueban solo a ojo, con una hoja de fotogramas.

La conclusión principal: un vídeo a partir de una sola foto se monta en aproximadamente media hora, pero la primera toma casi nunca es la definitiva. Reserva para las correcciones tanto como para la primera pasada, mantén el texto fuera de la generación y revisa la etiqueta fotograma a fotograma.

Historia

Preguntas frecuentes sobre la noticia

Cómo funciona el flujo de trabajo?

El esquema tiene cinco pasos. Primero, la foto del producto y el briefing van a un generador de imágenes. En la prueba, la foto de un sérum inventado llamado «СЕВЕР» se generó en gemini-3.1-flash-image. El generador dibuja un storyboard: seis fotogramas en una cuadrícula de 2 por 3, con la duración indicada bajo cada uno. Después, el storyboard pasa a un modelo de texto, que escribe un prompt de vídeo por fotogramas con marcas de tiempo.

¿Qué se sabe sobre Cuatro tipos de defectos?

Desde la primera toma el vídeo parece terminado, pero la revisión fotograma a fotograma revela cuatro problemas. El primero es un error en el texto en pantalla. El eslogan venía del storyboard, el modelo de texto lo trasladó al prompt y el modelo de vídeo lo dibujó con una errata. Ahora el prompt de vídeo no debe contener texto nuevo, salvo el de la etiqueta. Al modelo de texto el autor le escribe sin rodeos: «No añadas eslóganes, créditos ni ningún texto nuevo». El segundo es la etiqueta «pegada».

¿Qué se sabe sobre Cuánto cuesta y qué limitaciones hay?

El storyboard y la foto del producto (2 imágenes 1K) cuestan $0,14, el prompt de gemini-3.5-flash, unos $0,01, y el vídeo de 15 segundos con sonido, $2,27. En total son $2,42. Tres regrabaciones de 4 segundos sin sonido costaron $1,83, lo que da un total de unos $4,25. Se pagaron 27 segundos de vídeo y en el montaje final entraron 15, por lo que el coeficiente de gasto es 1,8. Los precios corresponden al 8 de octubre de 2026 y no incluyen comisiones.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…